Hadoop简介

1、什么是Hadoop

（1）Hadoop是apache旗下的一套开源软件平台

（2）Hadoop提供的功能：利用服务器集群，根据用户的自定义业务逻辑，对海量数据进行分布式处理

（3）Hadoop的核心组件有：

• HDFS（分布式文件系统）
• YARN（运算资源调度系统）
• MAPREDUCE（分布式运算编程框架）

（4）广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈

2、Hadoop产生背景

（1）Hadoop最早起源于Nutch。Nutch的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能，但随着抓取网页数量的增加，遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题

（2）2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案

• 分布式文件系统（GFS），可用于处理海量网页的存储
• 分布式计算框架MAPREDUCE，可用于处理海量网页的索引计算问题

（3）Nutch的开发人员完成了相应的开源实现HDFS和MAPREDUCE，并从Nutch中剥离成为独立项目Hadoop，到2008年1月，Hadoop成为Apache顶级项目，迎来了它的快速发展期

3、Hadoop在大数据、云计算中的位置和关系

（1）云计算是分布式计算、并行计算、网格计算、多核计算、网络存储、虚拟化、负载均衡等传统计算机技术和互联网技术融合发展的产物。借助IaaS(基础设施即服务)、PaaS(平台即服务)、SaaS（软件即服务）等业务模式，把强大的计算能力提供给终端用户

（2）现阶段，云计算的两大底层支撑技术为“虚拟化”和“大数据技术”

（3）而Hadoop则是云计算的PaaS层的解决方案之一，并不等同于PaaS，更不等同于云计算本身

4、国内外Hadoop应用案例介绍

（1）Hadoop应用于数据服务基础平台建设

（2）Hadoop用于用户画像

（3）Hadoop用于网站点击流日志数据挖掘

5、Hadoop生态圈以及各组成部分的简介

（1）HDFS：分布式文件系统
（2）MapReduce：分布式运算程序开发框架
（3）Hive：基于大数据技术（文件系统+运算框架）的SQL数据仓库工具
（4）Hbase：基于HADOOP的分布式海量数据库
（5）Zookeeper：分布式协调服务基础组件
（6）Mahout：基于mapreduce/spark/flink等分布式运算框架的机器学习算法库
（7）Oozie：工作流调度框架
（8）Sqoop：数据导入导出工具
（9）Flume：日志数据采集框架